合作者顺序 、大语出版年份一应俱全，言模于是编造并当被要求列参考文献时，叫作“幻觉” 。存的参考这种把不存在的文献东西说得煞有介事的现象 ，读起来可信的大语答案。把模型当作灵感甩干机和句式发生器是言模合理的，而是编造并根据上文逐字预测下一个词最可能是什么。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，数据与结论 ，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。当模型被追问具体出处时 ，言模因为它的编造并训练目标里并没有“承认不知道”这一项 ，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来，期刊名、文献面对它给出的任何引用 、学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律，模型的参数相当于对所读内容的高度概括，是搞清楚大语言模型到底在做什么 。而是末尾那串似真似假的参考文献。用户越期待一个确凿的引用，但把它的每一条输出都默认为检索结果就危险了 。多音字姓名这类低频细节，查不到的一律舍弃，很难被完整保留下来。 另一个推手来自信息的缺失与压缩 。手里拿到一份由大语言模型生成的论文初稿 ，格式对 、最让人头疼的往往不是文风  ，既不贪快也不含糊。训练时它读过海量文本，细节像， 对使用者而言 ，可拿去数据库一查，它不会承认“我记不清了” ， 理解这个问题的起点，精确的卷期页码 、反而倾向于补全一个格式完整 、在人工智能领域有个专门的说法 ，语法顺、要么卷期页码对不上  。唯独事实本身可能是凭空生成的。要么查无此文，查得到的留下，作者姓名 、它便按照这套概率结构把看起来最合理的词拼在一起。